FORSKNINGSRAPPORTEN 2020:

Hjernekreft oppdages av kunstig intelligens

Kunstig intelligens er i ferd med å revolusjonere helsevesenet. Forskere fra Oslo universitetssykehus jobber sammen med Stanford University med å bruke den nye teknologien til å finne kreft i hjernen.

Bilde av tre forskere i Glassgata på Rikshospitalet
Finner vi metastasene, oppnår vi best mulig behandlingsforløp for pasienten, fordi vi kan vurdere sykdomsutviklingen og behandlingsresponsen, sier forskningsleder Grøvik (i midten). Professor Atle Bjørnerud, CRAI (til venstre) og avd.leder Kyrre Emblem.

Tekst og foto: Ståle Tvete Vollan, OUS. Metastase-bilder: DeepMets forskergruppe, OUS.

De medisinske fysikerne Endre Grøvik og Kyrre Eeg Emblem har, sammen med forskere og klinikere fra det prestisjetunge universitetet Stanford University, forsket på kunstig intelligens for å finne kreft i hjernen.

- Finner vi metastasene oppnår vi best mulig behandlingsforløp for pasienten, fordi vi kan vurdere sykdomsutviklingen og behandlingsresponsen, sier forskningsleder Endre Grøvik.

Mellom 15-20 prosent av alle kreftpasienter opplever at sykdommen sprer seg til hjernen og danner hjerne-metastaser. Metastase er spredning fra en kreftsvulst til andre deler av kroppen. En viktig oppgave for radiologene er å finne og måle antallet og størrelsen på metastasene i hjernen. For å oppdage spredningen bruker radiologer detaljerte MR-bilder av pasienten.

Høy nøyaktighet på under ett sekund

Selv om radiologene er erfarne og kunnskapsrike, kan det være svært omfattende arbeid å se gjennom MR-bildene. Spredningen kan være liten og vanskelig å finne, eller pasienten kan ha mange hjernemetastaser som gjør bildegranskningen tidkrevende. Det er helt avgjørende at radiologene beskriver omfanget av sykdommen, i det diagnosen settes. Det er også viktig å vite om pasientene har effekt av behandlingen vi gir, eller ikke.

I dag måles størrelsen på hjernemetastasene ut fra etablerte, internasjonale retningslinjer, og baserer seg på todimensjonale målinger der metastasens tverrsnitt er størst. Flere studier viser imidlertid at denne metoden ikke er tilstrekkelig, og at bruk av tredimensjonale, volumetriske målinger kan gi et mer nøyaktig mål på spredningsomfang.

Utgangspunktet er faktiske metastaser fra ekte pasienter. Som bildet viser, har modellen svært høy nøyaktighet.

Norske forskere spår en revolusjon for kunstig intelligens i radiologi

Økt kvalitet i pasientbehandlingen

Å måle metastasenes totale volum kan føre til økt kvalitet i pasientbehandlingen. Allikevel har ikke volum-målinger vært med i retningslinjene, fordi det er tidkrevende, kostbart og komplisert å gjøre manuelt. Det er her de norske forskerne nå spår en revolusjon for kunstig intelligens i radiologi.

- De siste årene har vi sett spesielt stor verdi i å anvende såkalte dype nevrale nettverk, eller dyplærings-modeller. Dette er en underkategori av kunstig intelligens som gjør at vi kan finne svært komplekse sammenhenger i et datasett, ifølge Endre Grøvik.

- En stor fordel med dype nevrale nettverk er at de kan automatisere og standardisere omfattende og tidskrevende oppgaver, som for eksempel å finne sykdom i et MR-bilde, forklarer forskningslederen.

Med dette formålet utviklet forskerne fra Oslo og Stanford en dyplærings-modell som automatisk klarte å finne og markere hjernemetastaser på MR-bilder. Deretter ble modellens nøyaktighet sammenlignet med hva erfarne radiologer fant.

- Prosjektet er et av de første i verden som viser hvordan dyp læring kan brukes til å automatisk finne og markere hjernemetastaser, sier Grøvik.

Saken fortsetter under bildet 

MR-bilde av hjernemetastaser sammen med datamodellens bilde 

Hjernemetastaser i AI-modellen: Fire ulike pasienter med hjernemetastaser, markert
med gul pil i venstre kolonne. AI-modellen bruker slike bilder til å lære seg å fange
opp metastaser. I høyre kolonne er de samme fire pasientene påført AI-modellens forslag til hvor hjernemetastasene er. Det er kun vist områder hvor modellen er over 90 prosent sikker (lilla). MR-bildene er gjengitt med tillatelse fra DeepMets-forskergruppen.

Bruker ett sekund på tolke MR-bildene

To sentrale skikkelser i DeepMets er Atle Bjørnerud, professor, CRAI (til høyre), og Kyrre Eeg Emblem avdelingsleder for Avdeling for diagnostisk fysikk, ved OUS (til venstre. Begge to har vært Endre Grøviks mentorer.

Prosjektets første dyplærings-modell ble trent og testet på pasienter fra Stanford, og viste en høy nøyaktighet og god overensstemmelse med erfaringen til radiologer ved universitetet.

Dyplærings-modellen er også tidsbesparende da det utfører en fullstendig gjennomgang av MR-bildene på under ett sekund, en oppgave radiologer bruker opp mot 30 minutter på.

DeepMets-prosjektet kan ha en direkte innvirkning på diagnostiseringen og behandlingen av pasienter med hjernemetastaser i fremtiden.

- Våre metoder kan gjøre det mulig å etablere mer kvantitative radiologiske mål for sykdomsprogresjon og behandlingsrespons, som igjen kan gi mer standardisert diagnostikk. I tillegg kan våre metoder frigjøre tid og kapasitet som radiologene kan bruke på andre oppgaver, utdyper Grøvik og fortsetter:

- Effektivisering kan bli spesielt viktig i årene fremover, fordi sykehusene får betydelig økning i antall bildeundersøkelser uten at antall radiologer øker. Bedre effektivitet vil også komme pasientene til gode, da det muliggjør raskere diagnoser samt mer tid for planlegging av optimal behandling.

Høy nøyaktighet på multisenterdata

Metodene som er utviklet i DeepMets-prosjektet har også blitt testet på pasienter fra Oslo. Dette multisenterstudiet er viktig for å forstå klinisk nytteverdi på tvers av institusjoner, samt hvor robust og generaliserbar metodene er.

Resultatet, som nylig er publisert i Nature Partner Journal – Digital Medicine, viser også her en høy nøyaktighet, på nivå med erfarne radiologer. Endre Grøvik forklarer betydningen av DeepMets slik:

- Dette arbeidet bekreftet at metoden vår har stort klinisk potensial ved å hjelpe radiologer på tvers av institusjoner med å utføre denne viktige og tidskrevende oppgaven på en nøyaktig måte.

Planlegger klinisk utprøving ved Stanford

Et avgjørende steg for å kunne tilby en robust og nøyaktig dyplæringsmodell, er å teste de i kliniske omgivelser. Prosjektgruppen har blitt kontaktet av programvareleverandøren TeraRecon, som ønsker å inkludere en av DeepMets-modellene i sin AI-plattform. Gjennom denne AI-løsningen planlegges det nå en storskala klinisk utprøving av modellen ved Stanford University. Det etablerte samarbeidet mellom Oslo og Stanford gjennom DeepMets-prosjektet, gjør at også norske sykehus vil bli invitert til å delta i denne kliniske utprøvingen.

- En slik klinisk utprøving er veldig gode nyheter, da det kan resultere i en applikasjon som kan tilbys radiologer over hele verden, forklarer Grøvik.

En annen god nyhet er at prosjektet i 2021 får tildelt nye forskningsmidler fra Helse Sør-Øst. Dette skjer gjennom et doktorgradsprosjekt som kalles «ELITE», og vil fokusere på nettopp implementering av disse metodene i kliniske omgivelser. Med seg i «ELITE» har de fått med seg professor Atle Bjørnerud. Han leder forskningsgruppen CRAI (Computational Radiology and Artificial Intelligence) ved OUS.

- Dette sikrer i praksis en kontinuitet og viktig fremgang i prosjekter, og et videre tett samarbeid med Stanford, avslutter Endre Grøvik. 

  

Forskningsleder Endre Grøvik (i midten). Professor Atle Bjørnerud (til venstre) ved CRAI og avdelingsleder Kyrre Eeg Emblem, OUS 

– Finner vi metastasene, oppnår vi best mulig behandlingsforløp for pasienten, fordi vi kan vurdere sykdomsutviklingen og behandlingsresponsen, sier forskningsleder Endre Grøvik (i midten). Professor Atle Bjørnerud (til venstre) ved CRAI og avdelingsleder Kyrre Eeg Emblem ved Avdeling for diagnostisk fysikk (Oslo universitetssykehus) er også sentrale i DeepMets.

Hjernemetastaser - gjeldende, internasjonale retningslinjer

Nancy U Lin, Eudocia Q Lee, Hidefumi Aoyama, Igor J Barani, Daniel P Barboriak, Brigitta G Baumert, Martin Bendszus, Paul D Brown, D Ross Camidge, Susan M Chang, Janet Dancey, Elisabeth G E de Vries, Laurie E Gaspar, Gordon J Harris, F Stephen Hodi, Steven N Kalkanis, Mark E Linskey, David R Macdonald, et al. Response assessment criteria for brain metastases: proposal from the RANO group, The Lancet Oncology [Elektronisk artikkel], vol 16, iss 6, 2015, s. e270-e278, ISSN 1470-2045, doi.org/10.1016/S1470-2045(15)70057-4. [Hentet 2021-02-10] Tilgjengelig fra: https://www.sciencedirect.com/science/article/pii/S1470204515700574  

Denne artikkelen inngår i rapporten «Forskning og innovasjon til pasientens beste – Nasjonal rapport fra spesialisthelsetjenestene» for 2020, som er laget av de fire helseforetakene på oppdrag fra Helse- og oppdragsdepartementet. Rapporten presenterer eksempler på 18 prosjekter fra nord til sør, i tillegg til nøkkeltall om forskings- og innovasjonsaktiviteten, og ble overlevert helseminister Bent Høie 1. juni 2021. Se rapporten her.